IBM Federated Learning

Federated Learning 提供工具來協同訓練模型，方法是協調本端資料訓練並融合結果。 資料來源永不移動、合併或共用，但它們各自都有助於訓練及改善廣域模型的品質。

服務 依預設，Watson Studio、Watson Machine Learning、Watson OpenScale 和其他補充服務無法使用。 管理者必須在 IBM Cloud Pak for Data 平台上安裝這些服務。 若要判定是否已安裝服務，請開啟服務型錄，並檢查服務是否已啟用。

Federated Learning 適用於不同國家/地區及雲端提供者 (例如銀行或航空公司) 的不同實體想要使用其資料來訓練分析模型而不共用其資料的任何情況。

例如，一個航空聯盟可能想要建立全球疫情對於班機延遲有何影響的模型。 聯合中的每一個參與方都可以使用其資料來訓練一般模型，而無需移動或共用其資料。 他們可以在應用程式互不相通或任何其他實務範例中使用 Federated Learning 來執行此動作，在這些實務範例中，法規或實際考量會阻止使用者將資料移至一個位置。 所產生的模型可改善商業洞察，同時降低資料移轉和隱私權問題的風險，讓聯盟的每一個成員受益。

IBM Federated Learning 提供下列方法:

• 探索不同的資料來源。
• 配置並部署 Federated Learning 實驗。
• 協調本端資料訓練，並容許合併模型而不暴露資料。

為何使用 IBM Federated Learning

IBM Federated Learning 在許多企業產業中具有廣泛的應用程式。 Federated Learning:

• 可讓具有大量資料的網站在企業規模上收集、清理及訓練，無需移轉。
• 容納資料格式、品質和限制項的差異。
• 在訓練具有不同資料來源的模型時，符合資料隱私和安全。

Federated Learning 如何運作

• 如需相關資訊，請參閱 建立 Federated Learning 實驗 :
  • Federated Learning 的簡要概念性概觀。
  • 如何開始在 Watson Machine Learning 平台內建立 Federated Learning 實驗的高階步驟。
• 如需服務的逐步逐步逐步演練，請參閱 Federated Learning 指導教學及範例 。
  • Federated Learning Tensorflow 2 指導教學
  • Federated Learning XGBoost 指導教學
  • Federated Learning Tensorflow 2 範例

其他資源

• 若要進一步閱讀 Federated Learning 的實際應用程式，請參閱部落格文章 「資料，資料無所不在 ...」: 利用 IBM Watson Studio 與 Federated Learning 搭配使用專用資料。
• 如需 Federated Learning 元件詳細資料的深度技術見解，請參閱 Federated Learning 白皮書。
• Federated Learning 提供一份 helper 函數清單，以協助進行資料準備程序。 請參閱 API 文件以進一步瞭解如何使用 Federated Learning API。

上層主題: 分析資料及建置模型